MEDIR...Probabilidad) Es)lamedidanuméricade)laposibilidad)de)que)un)evento) puedaocurrir.))...
Transcript of MEDIR...Probabilidad) Es)lamedidanuméricade)laposibilidad)de)que)un)evento) puedaocurrir.))...
MEDIR Probabilidad y Estadís3ca
TÉRMINOS ESTADÍSTICOS BÁSICOS
Distribuciones CONTINUAS
Distribución que con7ene una can7dad infinita de datos que pueden ser desplegados en una escala de medición.
DISCRETAS
Distribución que resulta de datos contados (atributos) que 7enen una can7dad finita de posibles valores.
¿Cuáles son discretas y cuáles continuas?
Población y Muestra POBLACIÓN
Es el conjunto de individuos, objetos o fenómenos de los cuales se desea estudiar una o varias caracterís7cas.
MUESTRA
Un grupo seleccionado aleatoriamente de la población.
Parámetro y EstadísEco El valor numérico real de una población, es7mado por un estadís7co que es un valor numérico extraído de una muestra de la población.
Probabilidad Es la medida numérica de la posibilidad de que un evento pueda ocurrir.
Por definición, la probabilidad se mide por un número entre cero y uno. Si un suceso no ocurre nunca, su probabilidad es cero, mientras que si ocurriese siempre su probabilidad es uno.
P(evento) = k N
APROXIMACIÓN DE LA PROBABILIDAD POR FRECUENCIAS RELATIVAS Método de asignar probabilidades con base en la experimentación o en datos históricos. La probabilidad del evento estará dada por la can7dad de veces que sucedió el evento durante el experimento.
P(A) = Número de veces que ocurre A
Número de veces que se repite el ensayo
Método Clásico de la Probabilidad Parte de la consideración de que los resultados de un experimento son igualmente posibles, es decir, todos los componentes del espacio muestral 7enen la misma probabilidad de ocurrir.
P(evento) = Número de resultados favorables
Número total de resultados posibles
Probabilidades subjeEvas Son las probabilidades que asigna una persona de que suceda un evento específico con base en cualquier información disponible. Es una probabilidad asignada bajo un criterio personal, con base en cualquier 7po de evidencia disponible, implica un grado de creencia personal.
Ley de los Grandes Números Conforme un procedimiento se repite una y otra vez, la probabilidad de frecuencias rela7vas de un suceso, 7ende a aproximarse a la probabilidad real.
Teorema del Límite Central Sin tener en cuenta la forma de la población que se está estudiando, podemos seguir empleando la teoría normal para obtener inferencias sobre la media poblacional a condición de que obtengamos una muestra grande, porque la distribución muestral de x será aproximadamente normal cuando n sea grande.
Repasar 1. El complemento
de una probabilidad.
2. Ley adi7va.
3. Ley adi7va completa.
4. Ley mul7plica7va.
5. Probabilidad condicional.
6. Árbol de espacio muestral.
DISTRIBUCIONES ESTADÍSTICAS
Distribuciones Discretas Una distribución de probabilidades para una variable aleatoria discreta es un listado mutuamente excluyente de todos los resultados numéricos posibles para esa variable aleatoria tal que una probabilidad específica de ocurrencia se asocia con cada resultado.
Situaciones de SI-‐NO en la vida real. Es frecuente que en control de calidad se den variables del 7po “pasa, no pasa”. Por ejemplo, un ar^culo cumple con especificaciones o no, una pieza resiste cierta fuerza o no, una lámpara enciende o no.
Proceso de Bernoulli Frecuentemente un experimento consiste en ensayos repeEdos, cada uno con dos posibles resultados que pueden llamarse éxito o fracaso.
1. El experimento consiste en n intentos repeEdos
2. Los resultados de cada uno de los intentos pueden clasificarse como un éxito o como un fracaso
3. La probabilidad de éxito representada por p, permanece constante en todos los intentos
4. Los intentos repeEdos son independientes Este procedimiento se conoce como El proceso de Bernoulli
Distribución Binomial El número X de éxitos en n experimentos de Bernoulli recibe el nombre de variable aleatoria binomial.
La distribución de probabilidad de esta variable aleatoria discreta se llama distribución binomial y sus valores se representan por: b(x; n, p)
b(x; n, p) = pxqn-x n x ( )
Se requieren dos parámetros, p y n.
Probabilidad de x éxitos en n ensayos es:
n!
x! (n-x)! P qn-x x
Distribución Binomial
Se requieren dos parámetros, p y n.
μ= np Media
σ2 = npq Varianza
Distribución Binomial
Ejercicio Una empresa que fabrica tornillos, del úl7mo lote de producción se escoge un grupo de ellos y se seleccionan 6 tornillos al azar. Si el 40% de los tornillos salen doblados (defectuosos) calcule:
1. La probabilidad de que exáctamente 4 salgan defectuosos.
2. Por lo menos 4 salgan defectuosos.
3. Entre 3 y 5 salgan defectuosos.
Con Minitab
Distribución Geométrica La distribución geométrica es un modelo adecuado para aquellos procesos en los que se repiten pruebas hasta la consecución del éxito, es decir, hasta que se alcance el resultado deseado, por ejemplo, supongamos que interesa encontrar un producto defectuoso en un lote de muchos ar^culos.
Las probabilidades p y q son constantes en todas las pruebas ,por lo tanto, las pruebas ,son independientes (si se trata de un proceso de "extracción" éste se llevará a cabo con la devolución del individuo extraído) .
Distribución Geométrica Esta distribución se puede hacer derivar de un proceso de Bernouilli independiente en el que tengamos las siguientes caracterís7cas:
1. El proceso consta de un número no definido de pruebas o experimentos separados o separables. El proceso concluirá cuando se obtenga por primera vez el resultado deseado (éxito).
2. Cada prueba puede dar dos resultados mutuamente excluyentes : A y no A
3. La probabilidad de obtener un resultado A en cada prueba es p y la de obtener un resultado que no sea A es q siendo (p + q = 1).
Distribución Geométrica La Función de probabilidad:
fx(x) = P(X=k) = p(1 p) k 1
Donde k es el número de intentos o fallas antes del primer éxito. k es una variable aleatoria discreta y p es la probabilidad de éxito.
Distribución Geométrica
Ejercicio Sí la probabilidad de que cierto disposi7vo de medición muestre una desviación excesiva es de 0.05, ¿cuál es la probabilidad de que; a) El sexto de estos disposi7vos de medición some7dos a prueba sea el primero en mostrar una desviación excesiva. b) El sép7mo de estos disposi7vos de medición some7dos a prueba, sea el primero que no muestre una desviación excesiva. c) Entre el segundo y el cuarto de estos disposi7vos de medición some7dos a prueba aparezca el primero en mostrar una desviación excesiva.
Distribución Hipergeométrica Hasta ahora se han analizado distribuciones que modelan situaciones en las que se realizan pruebas que implican una dicotomía (proceso de Bernouilli) de manera que en cada experimento la probabilidad de obtener cada uno de los dos posibles resultados se mantenía constante. Si el proceso consiste en una serie de extracciones ello implica la reposición de cada extracción, o la consideración de una población muy grande.
Pero si la población es pequeña y las extracciones no se remplazan las probabildades no se mantendrán constantes, en ese caso las distribuciones anteriores no sirven para modelar esta situación, es aquí cuando se aplica la distribución hipergeométrica.
Distribución Hipergeométrica Da la probabilidad de obtener X éxitos en n experimentos Bernoulli, donde la probabilidad de éxito cambia de un experimento al siguiente.
En donde: N=Tamaño de la población m=Tamaño de la muestra r=cantidad de elementos que cumplen lo deseado k=cantidad de éxitos
Distribución Hipergeométrica
Es fundamental en el estudio de muestras pequeñas de poblaciones pequeñas. Tiene grandes aplicaciones en Control de Calidad y Diseño de Experimentos
Ejercicio De un lote de 10 proyec7les, 4 se seleccionan al azar y se disparan. Si el lote con7ene 3 proyec7les defectuosos que no explotarán, ¿cuál es la probabilidad de que: a) Los 4 exploten. b) Al menos 2 no exploten.
Distribución MulEnomial La distribución mul7nomial es un caso par7cular de la distribución binomial. Estas dos distribuciones se diferencian porque en la binomial cada uno de los experimentos puede ser éxito o no éxito, mientras que en la distribución mul7nomial hay muchas más opciones, precisamente k opciones. A cada una de estas opciones se las representa con la letra A y el subíndice hasta el k. Cabe remarcar que obligatoriamente al hacer uno de los experimentos, 7ene que suceder alguno de los eventos A.
Distribución MulEnomial • Supongamos que el resultado de una determinada experiencia puede ser r valores dis7ntos: A1, A2,..., Ar cada uno de ellos con probabilidad p1, p2,..., pr, respec7vamente.
• Si repe7mos la experiencia n veces en condiciones independientes, podemos preguntarnos la probabilidad de que el suceso A1 aparezca k1 veces, el suceso A2, k2 veces y así sucesivamente.
f(x1,x2,x3,xk)= x1!x2!x3!...xk!
n! p1 p2 p3 …. pk x1 x2 x3 xk
Distribución MulEnomial
Ejercicio Las probabilidades de que un delegado llegue por aire, en autobús, en automóvil o en tren a una cierta convención son de 0.40, 0.20, 0.30 y 0.10, respec7vamente. ¿Cuál es la probabilidad de que entre 9 delegados seleccionados aleatoriamente en esta convención:
a) 3 hayan llegado por aire, 3 en autobús, 1 en auto y 2 en tren?
b) 4 hayan llegado por aire, 1 en autobús, 2 en auto y 2 en tren?
c) 5 hayan llegado en auto?
NO TIENE SOLUCIÓN EN MINITAB NI EXCEL
Distribución de Poisson Es una distribución que se basa en el conteo de las veces que se presenta un evento dentro de un área de oportunidad dada. El área de oportunidad es una unidad con7nua o intervalo de 7empo, volumen o área en donde se puede presentar más de un evento. (Berenson, Mark L., Levine D. Página 166).
Distribución de Poisson La distribución fue descubierta por Siméon-‐Denis Poisson, proponiendo que el trabajo estaba enfocado en ciertas variables aleatorias N que cuentan, entre otras cosas, un número de ocurrencias discretas (muchas veces llamadas "arribos") que 7enen lugar durante un intervalo de 7empo de duración determinada.
Si el número esperado de ocurrencias en este intervalo es λ, entonces la probabilidad de que haya exactamente k ocurrencias (siendo k un entero no negaEvo, k = 0, 1, 2, ...) es igual a:
e-λλk
k! p(k;λ) =
Donde: e es el base del logaritmo natural (e = 2.71828...),
k! es el factorial de k, k es el número de ocurrencias de un evento,
λ es un número real posiEvo, equivalente al número esperado de ocurrencias durante un intervalo dado. Por ejemplo, si los eventos ocurren de media cada 4 minutos, y se está interesado en el número de eventos ocurriendo en un intervalo de 10 minutos, se usaría como modelo una distribución de Poisson con λ = 2.5. Esto quiere decir que landa es la media y la variancia en Poisson
Ejercicio En la inspección de hojalata producida por un proceso electrolí7co con7nuo, se iden7fican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades de iden7ficar:
a) una imperfección en 3 minutos
b) al menos dos imperfecciones en 5 minutos
c) a los sumo una imperfección en 15 minutos.
Distribución Uniforme Discreta En teoría de la probabilidad, la distribución uniforme discreta es una distribución de probabilidad que asume un número finito de valores con la misma probabilidad.
Distribución Uniforme Sea X una variable uniforme que puede tomar los n siguientes números reales: x1, x2, x3, ….., xn entonces:
P(X=xi) = 1 n
Distribución Uniforme
Ejercicio El temario para un examen consta de 35 temas, de los cuales se elegirá uno al azar. Si un alumno no ha estudiado los 10 úl7mos temas ¿Cuál es la probabilidad de que el alumno sepa el tema elegido para el examen? Hallar la media y varianza.
Distribuciones Con3nuas Para una variable con7nua hay infinitos valores posibles de la variable. En estas condiciones no es posible deducir la probabilidad de un valor puntual de la variable; como se puede hacer en el caso de variables discretas, pero es posible calcular la probabilidad acumulada hasta un cierto valor (función de distribución de probabilidad), y se puede analizar como cambia la probabilidad acumulada en cada punto (estos cambios no son probabilidades sino otro concepto, la función de densidad.
Distribución Normal En estadís7ca y probabilidad se llama distribución normal, distribución de Gauss, distribución gaussiana o distribución de Laplace-‐Gauss, a una de las distribuciones de probabilidad de variable con7nua que con más frecuencia aparece en estadís7ca y en la teoría de probabilidades.
La gráfica de su función de densidad 7ene una forma acampanada y es simétrica respecto de un determinado parámetro estadís7co. Esta curva se conoce como campana de Gauss y es el gráfico de una función gaussiana.
Distribución Normal Toma valores con7nuos que vienen desde -‐∞ hasta +∞ con un valor central que es igual para la Media, la Mediana y la Moda.
Los demás valores se alejan de igual forma a derecha e izquierda de la media (μ).
Conforme nos separamos de la μ la probabilidad va decreciendo dependiendo de las desviación estándar (σ).
La importancia de esta distribución radica en que permite modelar numerosos fenómenos naturales, sociales y psicológicos.
Distribución Normal Si X es una variable aleatoria normal, entonces su función de densidad de probabilidades está dada por:
La forma de la campana depende de los parámetros μ y σ
Distribución Normal Estándar A Z se le denomina función 7pificada de x, y a su curva de función de densidad se le conoce como curva normal estándar.
Es una distribución normal con μ de 0 y σ de 1.
Todas las variables que se distribuyen normalmente se pueden transformar a la distribución normal estándar u7lizando la fórmula de conversión para calcular el valor de Z.
Distribución Normal Estándar Fórmula de cálculo de la Z para conver7r una distribución normal con μ = x y una σ = x a una distribución normal estándar:
Zt= x μ σ
Ejercicio El fabricante de una empresa laser informa que la can7dad media de páginas que imprime un cartucho antes de reemplazarlo es de 12200. La distribución de páginas impresas por cartucho se aproxima a la distribución de probabilidad normal y la desviación estándar es de 820 páginas. Calcule:
a) La probabilidad de que el cartucho logre imprimir al menos 14000 páginas.
b) La probabilidad de que el cartucho logre imprimir entre 12000 y 13000 páginas.
c)La probabilidad de que el cartucho logre imprimir 13500 páginas.
Distribución Uniforme ConEnua
En teoría de probabilidad y estadís7ca, la distribución uniforme con7nua es una familia de distribuciones de probabilidad para variables aleatorias con7nuas, tales que para cada miembro de la familia, todos los intervalos de igual longitud en la distribución en su rango son igualmente probables.
Distribución Uniforme ConEnua
La función de densidad debe tomar el mismo valor para todos los puntos dentro del intervalo (a,b).
Distribución Uniforme ConEnua
La función de distribución se ob7ene integrando la fución de densidad.
Ejercicio En una cierta fábrica se producen cada día una media de 40 mil metros de cable. Unos días más, otros días menos. Aunque el mínimo seguro que siempre se fabrica es de 30 mil metros. La variable aleatoria que recoge el número de metros de cable fabricados en un día sigue una distribución uniforme con7nua. a) ¿Cuál es el máximo de metros fabricados en un día? b) ¿Qué porcentaje de días se fabrican más de 34 mil metros de cable? c) ¿Qué porcentaje de días se fabricarán menos de 33 mil metros de cable?
Distribución Beta Es una extensión de la distribución uniforme. La distribución beta es una familia de distribuciones de probabilidad con7nuas definidas en el intervalo de 0 a 1, con dos parámetros posi7vos que determinan la forma ^pica notados como α y β.
Distribución Beta Generalmente u7lizada cuando no existen datos históricos sólidos en los cuales basar una es7mación de ac7vidades, se emplea para variables aleatorias con7nuas que no son nega7vas por lo que su gráfica está sesgada a la derecha.
Distribución Beta Función de densidad, media y varianza:
Ejercicio La proporción de ítems defectuosos en una línea de producción sigue una Distribución Beta con parámetros α = 1 y β = 5. a) Determine la Media y Varianza. b) ¿Cuál es la probabilidad de que 10% de los productos fabricados sean defectuosos?
Problemas de Teoría de Colas o de Confiabilidad Se toma como variable aleatoria el 7empo que tarda en producirse un hecho, (7empo que transcurre mientras llega un cliente, 7empo que transcurre mientras ocurre un fallo)
Distribución Gama Si se esta interesado en la ocurrencia de un evento generado por un proceso de Poisson de media λ, la variable que mide el 7empo transcurrido hasta obtener n ocurrencias del evento sigue una distribución gamma.
La función de densidad es:
Distribución Gama
Ejercicio El 7empo en horas que semanalmente requiere una máquina para mantenimiento es una variable aleatoria con distribución Gamma con parámetros α=3, β=2. Encuentre la probabilidad que en alguna semana el 7empo de mantenimiento sea mayor a 8 horas.
Distribución Exponencial Es un caso par7ular de la distribución Gama, y al igual que esta, 7ene una gran u7lidad prác7ca ya que podemos considerarla como un modelo adecuado para la distribución de probabilidad del 7empo de espera entre dos hechos que sigan un proceso de Poisson.
Distribución Exponencial
Ejercicio Suponga que un ensamble con7ene cierto componente cuyo 7empo de falla en años está dado por la variable aleatoria X, dsitribuida exponencialmente con 7empo promedio de falla β = 5. Si 5 de estos componentes se instalan en un producto, ¿cuál es la probabilidad de que uno con7nue funcionando después de 8 años?
Distribución Weibull Es una distribución aplicable al estudio de la confiabilidad en problemas real7vos a la fa7ga y vida de componentes y materiales. Esta distribución es u7lizada con gran eficacia en los modelos de fallas, cuenta con dos parámetros, β llamado el parámetro de forma y α corresponde al parámetro de escala.
Distribución Weibull El uso de esta función se debe principalmente a la gran diversidad de formas que este modelo puede tomar, esto nos permite usar un mismo modelo, independientemente de en qué forma cambie la tasa de fallos del componente estudiado simplificando la tarea del análisis de resultados.
Al aplicar Weibull se ob7ene la distribución de fallos de conjunto de donde proviene la muestra, únicamente ajustando parámetros del modelo al conjunto de componentes ensayados.
82
Distribución de Weibull La distribución de Weibull es una de las más u7lizadas en confiabilidad y estadís7ca.
La versión de dos parámetros forma y escala (que representa la vida caracterís7ca) no incluye el parámetro de localización, es cero.
La versión de tres parámetros 7ene una parámetro de localización cuando hay un 7empo de falla diferente de cero para la primera falla
83
tiempo
Índi
ce d
e fa
lla λ
Tiempo de vida útil Fallas tempranas
Desgaste
λdecreciente
β < 1
λconstante
β = 1
λcreciente
β > 1
β < 1 disminuye la tasa de riesgo, implica mortalidad infan7l β = 1 tasa de riesgo constante, fallas aleatorias 1< β < 4 aumenta la tasa de riesgo, fallas por corrosión, erosión β > 4 aumenta rápidamente la tasa de riesgo, implica fallas por desgaste y envejecimiento
Las tres porciones de la curva de 7na de la bañera 7enen diferentes índices de falla. Las fallas tempranas se caracterizan por un índice de falla decreciente, la vida ú7l por un índice de falla constante y el desgaste se caracteriza por un índice de falla creciente. La distribución de Weibull puede modelar matemá7camente estas tres situaciones.
Distribución Weibull
β < 1 (Tasa de riesgo decreciente) • Implica mortalidad infantil • Si esto ocurre, puede existir:
- Carga, inspección o prueba inadecuada - Problemas de Manufactura - Problemas de reparación
• Si un componente sobrevive la mortalidad infantil , la resistencia a fallar mejora con la edad.
β = 1 (Tasa de riesgo constante) • Implica fallas aleatorias(Distribución Exponencial) • Una parte vieja es tan buena como una nueva • Si esto ocurre:
- Mezcla de modos de falla - Las fallas pueden deberse a eventos externos, como:luminosidad o errores humanos - Fundido y removido antes de su desgaste 1 < β < 4 (Tasa de Riesgo creciente)
• Si esto ocurre - La mayoría de los baleros y engranes fallan - Corrosión o Erosión - El reemplazo programado puede ser efectivo en costo - β =3.44⇒aprox. Normal, β =2⇒Rayleigh
β > 4 (La tasa de riesgo crece rápidamente) • Implica edad avanzada y rápido desgaste • Si esto ocurre, sospeche de:
- Propiedades del material - Materiales frágiles como la cerámica - Variabilidad pequeña en manufactura o material
La Distribución Weibull - Interpretación
Distribución Weibull Funcion de densidad:
Distribución Weibull
Ejercicio El 7empo T en segundos que tarda en conectarse a un servidor durante un día laborable sigue una distribución de Weibull de parámetros α = 0.6 y β = 1/4.
Se quiere saber: a) La probabilidad de tardar más de 10 segundos en realizar la conexión.
b) Si se 7enen ya 5 segundos esperando la conexión. ¿cuál es la probabilidad de que se demore 10 segundos más?
Distribución Triangular En probabilidad y estadís7ca, la distribución triangular es la distribución de probabilidad con7nua que 7ene un valor mínimo a, un valor máximo b y una moda c, de modo que la función de densidad de probabilidad es cero para los extremos (a y b), y a�n entre cada extremo y la moda, por lo que su gráfico es un triángulo.
Distribución Triangular Se u7liza para describir una población sobre los cuales existen datos de muestra limitados, o para modelar procesos estocás7cos o de riesgo.
Se u7liza sólo cuando el comportamiento de un proceso no se ajusta a otro 7po de distribución.
Distribución Triangular
Ejercicio Las horas laboradas sin paros por desperfectos han arrojado que en el pasado la máquina trabajó como mínimo 3000 horas, como máximo 7000 horas pero la mayoría del 7empo trabajó 5000 horas con7nuas antes del fallo. Calcule la probabilidad de:
a) Falle a las 6000 horas de uso. b) Falle entre las 4500 y las 5500 horas de uso. c)Trabaje más de 6500 horas sin parar.
Distribución Log Normal En probabilidades y estadís7cas, la distribución normal logarítmica es una distribución de probabilidad de una variable aleatoria cuyo logaritmo está normalmente distribuido. Es decir, si X es una variable aleatoria con una distribución normal, entonces exp(X) 7ene una distribución log-‐normal.
La base de una función logarítmica no es importante, ya que loga X está distribuida normalmente si y solo si logb X está distribuida normalmente, solo se diferencian en un factor constante.
Distribución Log Normal Ampliamente u7lizada para variables que ocurren cerca del valor mínimo, por ejemplo muchas variables �sicas y procesos de deterioro pueden ser representados con esta distribución.
Distribución Log Normal
Distribución Log Normal Parámetros:
Ejercicio Unos cilindros de concreto 7enen una resistencia a la compresión con distribución log-‐normal con β de 1 y α de 5. Calcule la probabilidad de que la resistencia sea mayor a 300 Kg/cm3
Distribuciones derivadas del Muestreo A con7nuación se describen la distribución Chi-‐cuadrada, la T de Student y la F, las cuales son distribuciones que se derivan del muestreo porque algunos estadís7cos muestrales siguen estas distribuciones, y esto permite hacer inferencias acerca de la población con base en muestras
Aplicaciones Chi-‐cuadrado, T-‐Student y F se forman por combinaciones de variables aleatorias, por lo que no se emplean para modelar fenómenos �sicos, pero sí para tomar decisiones y establecer intervalos de confianza.
Por lo que son muy u7lizadas en diferentes pruebas de hipótesis.
Distribución de Chi Cuadrada Sean Z1, Z2, …, Zn variables aleatorias independeintes distribuidas normalmente, cada una media de 0 y varianza de 1. La variable aleatoria es:
Se dice que es una variable aleatoria chi cuadrado con k grados de libertad y su función de densidad está dada por:
Distribución de Chi Cuadrada Tiene múl7ples aplicaciones entre las cuales podemos mencionar tres de ellas:
1. Como prueba de bondad de ajuste
2. Para determinar si las poblaciones son o no homogéneas
3. Para determinar la dependencia e independencia de las variables a analizar.
Distribución t de student En probabilidad y estadís7ca, la distribución t (de Student) es una distribución de probabilidad que surge del problema de es7mar la media de una población normalmente distribuida cuando el tamaño de la muestra es pequeño.
Aparece de manera natural al realizar la prueba t de Student para la determinación de las diferencias entre dos varianzas muestrales y para la construcción del intervalo de confianza para la diferencia entre las partes de dos poblaciones cuando se desconoce la desviación ^pica de una población y esta debe ser es7mada a par7r de los datos de una muestra.
Distribución t de student Sea Z una variable aleatoria con distribución normal estándar y sea V una variable aleatoria con distribución chi cuadrado con k grados de libertad. Si Z y V son independientes entonces la variable aleatoria:
7ene una distribución T con k grados de libertad, cuya función de densidad de probabilidad está dada por:
Distribución t de student Una de las principales aplicaciones es fundamentar las inferencias sobre la media de una porblación. Si se ob7ene una muestra aleatoria de tamaño n de una población cuya distribución es normal, el estadís7co es:
Sigue una distribución T de Student con n – 1 grados de libertad.
Distribución t de student Es similar a la distribución normal estándar, excepto que 7ene colas más pesadas.
Tiende a la normal estándar cuando el tamaño de la muestre es mayor o igual a 30.
Por eso su mayor aplicación es cuando las muestras son pequeñas, es decir menores a 30.
Distribución F Una variable F se define como el cociente entre dos variables chi-‐cuadrado divididas por sus correspondientes grados de libertad. Esta distribución de probabilidad se usa como estadís7ca prueba en varias situaciones.
Distribución F Una variable con distribución F es siempre posi7va. La distribución de la variable es asimétrica, pero su asimetría disminuye cuando aumentan los grados de libertad del numerador y denominador. Hay una distribución F por cada par de grados de libertad.
Distribución F Esta es la distribución de probabilidad de la razón de dos varianzas provenientes de dos poblaciones diferentes. Por medio de esta distribución es posible determinar la probabilidad de ocurrencia de una razón específica con v1=n1-‐1 y v2=n2-‐1 grados de libertad en muestras de tamaño n1 y n2.
�Es la distribución más importante en experimentación pues permite hacer cálculos sobre varianzas diseminadas determinando si las diferencias mostradas son significa7vas y por lo tanto atribuibles a cambios importantes en el comportamiento de las poblaciones en estudio.
Distribución F Función de densidad:
Los parámetros son u grados de libertad en el numerador y v grados de libertad en el denominador.
Distribución F La media y la varianza:
Los parámetros son u grados de libertad en el numerador y v grados de libertad en el denominador.